基于用户文本描述特征的 UFGraphFR：图型联邦推荐系统

联邦学习通过启用本地数据处理提供了一种隐私保护的推荐系统框架；然而，数据本地化带来了显著的障碍。传统的联邦推荐方法将每个用户视为独立实体，无法构建捕获协同信号的全局用户关系图，这限制了推荐的准确性。为此，我们从语义相似性反映偏好相似性的洞见出发，以改进用户关系图的构建。本文提出了 UFGraphFR，一个包含三个关键组件的新框架：1）在客户端，私有结构化数据首先被转换为文本描述。这些描述随后使用预训练模型编码为语义向量；2）在服务器端，使用聚合的模型权重（而不访问原始数据）安全地重建用户关系图，然后通过轻量级图神经网络进行信息传播；3）在客户端，使用 Transformer 架构对用户行为序列进行个性化。对四个基准数据集进行的大量实验表明，UFGraphFR 在推荐准确性和个性化方面均显著优于最新的基线方法。该框架在不同预训练模型之间保持鲁健性，正如证明其一致的性能指标所示。本工作通过使用语义向量、安全的用户关系图和个性化行为序列，为具有严格隐私要求的高效联邦推荐提供了一种实用方法。代码可在 https://github.com/trueWangSyutung/UFGraphFR 查看。